隨著現(xiàn)代制造業(yè)的飛速發(fā)展,企業(yè)在生產(chǎn)效率和生產(chǎn)能耗方面有越來越高的要求,智能生產(chǎn)車間的自動化程度逐漸提高。主要研究作業(yè)車間自動導(dǎo)引車（automated guided vehicle,AGV）的智能綠色物流調(diào)度問題。首先,建立以降低AGV能耗和最優(yōu)AGV路徑為目標的AGV物流調(diào)度優(yōu)化模型;然后,提出一種以任務(wù)排序為約束的改進遺傳粒子群算法;最后,以某針織車間的實際物流調(diào)度為例對文中方法進行驗證。計算結(jié)果表明,文中提出的AGV物流調(diào)度模型能夠較好地模擬AGV綠色調(diào)度耗能問題,提出的改進遺傳粒子群算法具有較快的收斂速度和較好的尋優(yōu)能力。 

【文章來源】：重慶大學(xué)學(xué)報. 2020,43(01)北大核心CSCD

【文章頁數(shù)】：9 頁

【圖文】：

改進GA-PSO算法流程圖

將選取的智能針織車間的目標時間段的起始時刻定為模型的零時刻,12個目標裝載任務(wù)的發(fā)生時刻Ti,及所對應(yīng)的任務(wù)點如表3所示。表3 運載任務(wù)數(shù)據(jù)表Table 3 Launch mission data sheet 編號 織襪機號 任務(wù)點 Ti 123456789101112 9364942388152832334313 51825211948141617227 91621120137180343369514677720789

文中所采用的改進GA-PSO方法與常規(guī)GA-PSO方法的算法收斂對比結(jié)果如圖3、圖4、圖5所示(適應(yīng)度采用綜合適應(yīng)度函數(shù))。圖中黑色實線條為文中改進算法的迭代過程,黑色虛線條為常規(guī)遺傳粒子群算法的迭代過程。圖3、圖4為處理12個目標任務(wù)的算法迭代過程。圖5為處理24個目標任務(wù)的算法迭代過程。圖4 運行十次的算法迭代對比圖


本文編號：3318600